Τεχνητή Νοημοσύνη στην Υγεία. Μια ευκαιρία για την Ελλάδα

Στα σύνορα της οικονομίας, της επιστήμης των υπολογιστών, της ψυχολογίας, της κοινωνιολογίας, της σημασιολογίας και της λογικής, η Τεχνητή Νοημοσύνη είναι η επιστήμη που επιτρέπει την προσέγγιση και τη μελέτη πολύπλοκων προσαρμοστικών συστημάτων, όπως η ανθρώπινη συμπεριφορά. Αν και γενικά η τεχνολογία δεν μπορεί να ευδοκιμήσει πάρα μόνο σε ανεπτυγμένες χώρες με βιομηχανία εν τούτοις ίσως υπάρχει μια ευκαιρία για την Ελλάδα σε αυτό το τομέα. Η ευκαιρία είναι να εκμεταλλευτεί την πρώιμη φάση στην οποία βρίσκεται η τεχνητή νοημοσύνη. Πριν εξηγήσουμε τι είναι το «μαύρο κουτί» και επειδή υπάρχει σύγχιση με τις έννοιες … τεχνητή νοημοσύνη, μηχανική μάθηση και εις βάθος μηχανική μάθηση ας τα πάρουμε από την αρχή. Η μηχανική μάθηση (Machine learning) είναι υποτομέας της τεχνητής νοημοσύνης που χρησιμοποιεί στατιστικές τεχνικές για να δώσει στον υπολογιστή τη δυνατότητα να “μαθαίνει”, (δηλαδή να βελτιώνει προοδευτικά την απόδοση μιας συγκεκριμένης εργασίας ) από παραδείγματα. Και η εις βάθος μάθηση (deep learning), που ταυτίζουμε πλέον με την τεχνητή νοημοσύνη, είναι η ίδια μια έκδοση της μηχανικής μάθησης, στην οποία αναπτύσσουμε αλγόριθμους που εκπαιδεύονται απ΄ ευθείας από μεγάλους όγκους δεδομένων (εικόνες, κείμενα, ομιλίες, video, κλπ…) χωρίς ανθρώπινη επέμβαση, αλγόριθμοι που είναι ικανοί να αναγνωρίσουν αφηρημένες έννοιες, όπως ένα μικρό παιδί μπορεί να διακρίνει ένα σκύλο από ένα άλογο. Τα μοντέλα βαθιάς μάθησης χρησιμοποιούν αρχιτεκτονικές νευρωνικών δικτύων, με βασικό πλεονέκτημα ότι συνεχίζουν να βελτιώνονται όσο αυξάνεται η ροή και το μέγεθος των δεδομένων. Η εις βάθος μάθηση είναι η βασική τεχνολογία πίσω από τα αυτοκίνητα χωρίς οδηγό, επιτρέποντάς τους να αναγνωρίσουν μια πινακίδα στάσης ή να διακρίνουν έναν πεζό από ένα κάδο σκουπιδιών. Είναι το κλειδί του φωνητικού ελέγχου σε τηλέφωνα, tablet, τηλεοράσεις αλλά και της αυτοματοποιημένης μετάφρασης κειμένου και ομιλίας, κλειδί για την ασφάλεια των προσωπικών δεδομένων, την διαχείριση επικοινωνίας πελατών, την βελτιστοποίηση παραγωγής, στον δε ιατρικό κλάδο όπου γίνεται ήδη ευραία χρήση, χρησιμοποιείται για την πρόβλεψη εξέλιξης παθήσεων κλπ…

Στην ουσια ειναι λογισμικό που παίρνει αποφάσεις από μόνο του, δηλαδή ικανό να ενεργεί ακόμη και σε καταστάσεις που δεν προβλέπονται από τους προγραμματιστές.

Όλοι οι ορισμοί μέσα από ένα παράδειγμα

Κλασική Διάγνωση

Εάν ένας ασθενής ρωτήσει τον γιατρό του γιατί και με ποιό τρόπο διέγνωσε την ασθένειά του,

Ο γιατρός με βάση τις εξετάσεις (π.χ. μαγνητική τομογραφία) και την εμπειρία του μπορεί να τεκμηριώσει την διάγνωση του. Η μέθοδος αυτή είναι η προ τεχνητής νοημοσύνης εφαρμογή των expert systems στην λήψη αποφάσεων.

Μηχανική Μάθηση

Στη μηχανική μάθηση, οι αλγόριθμοι αποκτούν τις γνώσεις ή τις δεξιότητες μέσω της εμπειρίας. Η μηχανική μάθηση βασίζεται σε μεγάλα σύνολα δεδομένων μέσα στα οποία προσπαθεί να βρει κοινά μοτίβα.

Για παράδειγμα αν έχουμε δεδομένα από περιπτώσεις θετικής και αρνητικής εξέλιξης μιας πάθησης με βάση εξετάσεις (μαγνητικές τομογραφίες), ο αλγόριθμος εξετάζει τις εικόνες και ταυτίζει πρότυπα που υπάρχουν μεταξύ αυτών των εικόνων που έχουν παρόμοιες συνθήκες. Οι γκρι κουκκίδες είναι οι εικόνες εισόδου και οι μπλε και πράσινες οι εικόνες με το χαρακτηρισμός της εξέλιξης της νόσου.

Όταν ο αλγόριθμος λάβει μια νέα εικόνα, θα συγκρίνει το μοτίβο που υπάρχει σε αυτή με το πρότυπο που έμαθε από την ανάλυση όλων των προηγούμενων εικόνων και θα ειναι σε θεση να προβλέψει την εξέλιξη της ασθένειας.

Με βάση αυτή τη πρόβλεψη ο γιατρός θα μπορέσει να προσαρμόσει την θεραπεία την οποία σκόπευε να χορηγήσει με την κλασική μέθοδο. Φυσικα οι παθήσεις δεν εξελίσσονται γραμμικά και κυρίως άλλο μια πάθηση και άλλο η συνολική υγεία ενός ανθρώπου. Πόσο μάλλον που τα δύο τρίτα των ηλικιωμένων ενηλίκων ζουν με δύο ή περισσότερες χρόνιες παθήσεις. Οι πολλαπλές χρόνιες παθήσεις απαιτούν χρήση πολλαπλών φαρμάκων με πιθανό αποτέλεσμα μια θεραπεία, ένα φάρμακο να αντενδείκνυται με τη χρήση άλλου, κλπ… Άρα η χρήση μηχανικής μάθησης δεν μπορεί να αντιμετωπίσει σύνθετα προβλήματα.

Deep Learning

Στην περίπτωση τώρα των ιατρικών δεδομένων, ένα μοντέλο τεχνητής νοημοσύνης θα λάβει υπ΄όψη όχι μόνο την μαγνητική τομογραφία αλλά και ολόκληρο το ιστορικό του ασθενούς (καρδιογραφήματα, ιατρικές και μοριακές απεικονίσεις, αποτελέσματα αιματολογικών και άλλων εξετάσεων, άλλες παθήσεις και θεραπευτικές αγωγές, τρόπο ζωής, κλπ..).

Και ολα τα ανωτέρω δεδομένα του ασθενούς εμπλουτισμένα με την εμπειρία του συστήματος από την επεξεργασία δεδομένων και άλλων ασθενών. Σαν αποτέλεσμα θα έχουμε μια σφαιρική προσέγγιση του ασθενούς άρα και πρόβλεψη εξέλιξης της υγείας του.

Η ευκαιρία για την Ελλάδα

Η εφαρμογή deep learning στην Ελλάδα απαιτεί την σύμπραξη μιας διεπιστημονικής ομάδας (τεχνητή νοημοσύνη, φαρμακολογία, ιατρική, κλπ…) μαζί με φορείς υγείας (νοσοκομεία, φαρμακευτικούς συλλόγους, κλπ…) έτσι ώστε η παραγόμενη τεχνογνωσία και λογισμό να καταστεί και εξαγώγιμο προιόν

 

• Ο Δρ. Γρηγόρης Φιλιππάτος είναι Γενικός Διευθυντής της DIRECTING INTELLIGENCE (www.directingintelligence.com)